Zkuste si to představit takhle: naučíte počítač předpovídat, jak se pohybují kuličky v průmyslové rotační násypce. Spustíte simulaci a po chvíli vám model začne tvrdit, že kulička prošla zdí, nebo se pohybuje stále rychleji bez jakéhokoli důvodu. Přesně tohle se děje, když umělá inteligence nezná fyziku. A přesně tohle chtěli vědci z EPFL změnit.
Tým z laboratoře Intelligent Maintenance and Operations Systems (IMOS) na École Polytechnique Fédérale de Lausanne vyvinul algoritmus s názvem Dynami-CAL GraphNet, který byl v únoru 2026 publikován v prestižním časopise Nature. Výsledek? AI model, který se fyziky drží jako klíšťě, a to i po tisících simulací.
Proč běžná AI fyziku ignoruje
Tradiční AI modely fungují na statistice. Učí se vzory z dat a pak je extrapolují. Jenže fyzikální systémy mají svá pravidla, která statistika sama o sobě nedokáže zaručit. Chyby se hromadí krok za krokem, jako sněhová koule valící se ze svahu, a simulace se po čase rozpadne do nesmyslů.
Na druhé straně stojí klasické fyzikální modely. Ty sice fyziku dodržují dokonale, ale jsou výpočetně nesmírně náročné. Modelovat tisíce interagujících částic v reálném čase? Na to zapomeňte. Vědci z EPFL hledali střední cestu. A našli ji v Newtonově třetím zákoně.
Newtonův zákon přímo v architektuře sítě
Každý z nás zná Newtonův třetí zákon ze školy: každá akce vyvolá stejně velkou, ale opačně směřující reakci. Když kopnete do míče, míč vás kopne zpět. Když motor pohání auto dopředu, výfukové plyny letí dozadu. Tento zákon platí univerzálně, od molekul až po průmyslové stroje.
Dynami-CAL GraphNet tento zákon nezapracovává jako dodatečnou podmínku, ale přímo do struktury sítě. Algoritmus využívá tzv. grafové neuronové sítě (GNN), kde objekty tvoří uzly grafu a jejich vzájemné interakce jsou hrany. Každá hrana dostane vlastní lokální souřadnicový systém, který je antisymetrický, tedy pokud obrátíte směr hrany, všechny vektory změní znaménko. Tím je matematicky zaručeno, že síly mezi dvěma objekty jsou vždy stejně velké a opačně orientované.
Výsledek? Model zachovává jak lineární, tak úhlovou hybnost i v situacích, které nikdy předtím neviděl.
Od průmyslu po proteiny
Vědci algoritmus otestovali na čtyřech velmi odlišných scénářích, a výsledky jsou působivé.
Začali s granulárními systémy, tedy tisíci kuliček narážejících do sebe i do stěn rotujícího válcového mísiče. Model se naučil chování systému na pouhých pěti simulacích s 60 kuličkami v krabici. Pak ho pustili na scénář s více než 2 000 kuličkami v rotujícím válci s pohyblivými stěnami. Dynami-CAL GraphNet zvládl stabilní simulaci přes 16 000 kroků, zatímco konkurenční modely se rozpadly po prvních cyklech.
Pak přišel na řadu pohyb lidského těla. Algoritmus dokázal předpovědět chůzi člověka jen z jednoduchých dat o pohybu, aniž by mu kdokoli řekl, jakou silou noha tlačí na zem. Prostě si to odvodil sám, protože fyziku má v sobě zakódovanou.
A nakonec proteiny. Model úspěšně předpovídal drobné deformace proteinových molekul v roztoku, tedy procesy odehrávající se na mikroskopické úrovni. Stejný přístup, úplně jiná škála.
Významný průlom
Doktorand Vinay Sharma to shrnul jednoduše: "Přešli jsme od modelu, který se statisticky snaží hádat fyzikální chování, k modelu, který je přímo postaven tak, aby ho dodržoval."
Tohle rozlišení je zásadní. Dynami-CAL GraphNet totiž nabízí něco, co většina AI modelů neumí: průhlednost. Inženýr může v každém kroku zkontrolovat, zda model správně zachovává zákon zachování hybnosti. Žádná černá skříňka, žádné hádání. Každý mezivýpočet dává fyzikální smysl.
Druhá velká výhoda? Model se naučí z minima dat. Stačí mu pár simulací jednoduchého systému a dokáže extrapolovat na složitější konfigurace, větší systémy, jiné podmínky. To je přesně to, co průmysl potřebuje, protože reálná měření jsou drahá a náročná.
Vedoucí laboratoře profesorka Olga Fink to popsala takto: "Náš model nejen generalizuje, tedy aplikuje naučené na podobné situace, ale také extrapoluje, tedy spolehlivě předpovídá v situacích, které nikdy neviděl. A to je něco, co strojové učení dělá jen zřídka dobře."
Dynami-CAL GraphNet otevírá dveře do oblastí, kde přesné a rychlé simulace fyzikálních systémů rozhodují o úspěchu nebo neúspěchu. Robotika, letecký průmysl, materiálová věda, biomedicína. Všude tam, kde potřebujete vědět, jak se věci pohybují, jak na sebe působí a co se stane za hodinu nebo za rok.
Když je fyzika přímo vetkána do struktury modelu, stroj přestane hádat a začne skutečně rozumět. A to je přesně ten směr, kterým by se AI ve vědě měla ubírat.
